本研究探讨量子核方法在经典数据学习中的效率，展示其在一维回归和二维分类任务中的强大能力。

本文提出基于量子核的高斯过程回归方法，采用硬件高效特征映射与Gram矩阵正则化，保留方差信息并作为贝叶斯优化代理模型，用于机器学习超参数优化。实验表明量子版本性能可匹配经典方法。相关研究还涉及量子线性系统算法加速高斯过程及量子算法计算边缘似然。

该文综述量子机器学习进展：用量子计算求解线性回归、支持向量机及聚类，将回归转为二进制优化，速度提升2.8倍；量子支持向量机分类精度媲美经典方法，并探索量子核、变分模型与特征选择，在乳腺癌数据等任务中表现优异，展现量子加速潜力。